Şehir Yeşil Uzayları İzleme ve Yönetmek için Rs olarak kullanım

Kentsel Yeşil Uzayların Büyütmesi

Kentsel yeşil alanlar - parklar, topluluk bahçeleri, yeşil çatılar, sokak ağaçları ve doğal rezervleri - sağlıklı, sürdürülebilir şehirler için temel bileşenlerdir. Dünya nüfusunun% 68'i 2050 yılına kadar, fırtına su runını azaltarak, şehir ısı adanın etkisini azaltacak, biyoçeşitliliği desteklemeli ve çevresel yöneticiler için kritik rekreasyonel ve zihinsel sağlık faydalarını sağlamaya devam ediyorlar.

Geleneksel zemin bazlı anketler, küçük alanlar için doğru olsa da, zaman alıcı, emek yoğun ve düzenli olarak büyük metropol bölgeleri izlemek için pratik bir şekilde yapılır.Bu makale, uzaktan algılama (RS) ve coğrafi bilgi sistemleri (GIS) gibi gelişmiş teknolojiler, zaman içinde, sinoptik ve maliyetle gelişen veriler sağlayarak, RS ve GIS, şehirlerin bitki sağlığı, zaman içinde değişiklikleri takip etmesi ve kanıt temelli kararlar almalarıdır.

Şehir Ortamları için Uzaktan Sensing Anlamak

Uzaktan algılama, bir nesne veya alan hakkında bilgi edinmeyi, genellikle uydular, uçaklar veya uçaklar üzerinde monte edilen sensörler kullanarak ifade eder. Bu sensörler, elektromanyetik radyasyonun Dünya'nın yüzeyinden yansıyan veya yayıldığını ölçmektedir. Farklı yüzey malzemeleri - sağlıklı bitki, su veya beton gibi - farklı yeraltı parçaları, bilim adamların arazi kapaklarını sınıflandırmasına ve fiziksel temassız biyofizik özelliklerini sınıflandırmasına izin verir.

Şehir Uzaktan Sensing için Platformlar

Platform seçimi, izleme görevi için gerekli olan uzaysal ölçek, zaman frekansı ve spektral karara bağlıdır:

Anahtar Sensör türleri ve onların kentsel uygulamaları

Farklı sensörler farklı dalga bölgeleri yakalar:

Vegetation İzleme için Anahtar İşaretleri

Raw uzaktan algılama imajı genellikle belirli bitki özelliklerini vurgulayan cümlelere dönüştürülür.Bu endeksler, atmosfer veya toprak geçmişi gibi dış etkilerken, özelliklere duyarlı olan spektral gruplarının basit matematiksel kombinasyonlarıdır.

Normalleştirilmiş Fark Vegetation Index (NDVI)

NDVI = (NIR – Red) / (NIR + Red) Bu, yeşil bitki örtüsü ve sağlık değerlendirme için en yaygın kullanılan indeksdir. Sağlıklı, yoğun bitki örtüsünü güçlü bir şekilde yansıttır ve yüksek NDVI değerleri (0.6-0.9-0.9) Sparse veya stresli bitki örtüsünün düşük değerlerinin etkisi altında kalır.

Geliştirilmiş Vejetasyon Endeksi (EVI)

EVVI'yi bir toprak ayarlama faktörüne dahil ederek geliştirir ve mavi grubu atmosferik aerosol etkilerini azaltmak için kullanırım.Konferik yapısal varyasyonlar ve yüksek biyokütle alanları üzerinde hassas kalır, kentsel ormanlar ve yoğun parklar için değerli hale getirir.

Soil-Adjusted Vegetation Index (SAVI)

SAVI, göksel değişimler için dikkate almayı kabul eder, özellikle ağaçlar arasında yaşayan bir yerde önemlidir. Toprak kalibrasyon faktörü (L) genellikle orta bitki örtüsü için 0,5'e kadar ayarlanır.

Normalleştirilmiş Farklılık Su Endeksi (NDWI)

NDWI = (Green – NIR) / (Green + NIR) Bu indeks, sulama ihtiyaçlarını tespit etmek, ıslak toprak sağlığını izlemek ve kentsel ağaçlar ve çimlerdeki kuraklık etkilerini değerlendirmek için kullanılır.

Urban Thermal Indices

Termal gruplardan türek, toprak yüzeyi sıcaklığı (LST) haritaları ısı ada çalışmaları için kritiktir. Kentsel Heat Island (UHI) etkisi, LST'yi farklı arazi kullanımlarında karşılaştırarak ölçülebilir.

Uzak Sensing in Urban Green Space Management

Uygulama aralığı veri kullanılabilirliği ve bilgisayar gücü büyüdükçe dramatik bir şekilde genişletildi. Aşağıda şehir yöneticileri ve çevresel planlayıcılar için en etkili kullanımlar.

Ve Sağlık ve Stres Değerlendirme

Düzenli NDVI veya EVI zaman serisi, şehirlerin çıplak göz önünde bulundurulmadan önce bitki sağlığında düşüş tespit etmelerine izin verir. Örneğin, bir parkta NDVI'da üç yıllık bir düşüş kronik su stresi, toprak kompaktlığı veya zararlı infestasyon Planlayıcıları sulamaya öncelik verebilir. Yüksek çözünürlüklü çok fazla hayal kırıklığı veya ağaç değiştirmesi, mantar enfeksiyonları veya besleyici eksiklikler, hassas arboriculture ile ilgili hassas arboriculture fark edebilir.

Urban Heat Island Mitigation and Thermal Comfort

Sıcaklık uydu sensörleri (örneğin, Landsat 8/9 TIRS, ECOSTRESS on ISS) şehir çapında sıcaklık dağıtımlarını% 10 oranında azaltın, bu verileri toprak kapak haritaları ile tespit edin, yöneticiler “sıcaklı yüzey örtüsü ve düşük bitki örtüsüne sahip alanlar – bu durum yeşil altyapıyı yoksundur. Quantitative analysis, ağacı% 10'a kadar azaltabilecek şekilde azaltabileceklerini gösteriyor.Bu kanıtlar ağaç dikme programlarını ve yeşil koridorların tasarımını 1–3°C. Bu kanıtları, yüksek trafik sıkışıklığına destekletir.

Biodiversity ve Habitat Mapping

Hiperspectral görüntü ve LiDAR verileri, Singapur gibi bitki örtüsünün ve kompozisyonun ayrıntılı haritalandırılmasına olanak sağlar, bu da kentsel biyoçeşitlilik için kritiktir. LiDAR'dan gelen yüksek yerel ağaçlar ve invaziv shrub tabakaları uygulama yeteneği. Multispectral zaman serisi, Singapur gibi şehirler bu teknikleri vahşileştirmeyi vahşi yaşam koridorları için haritalama ve plan yeşil tamponları haritalama ve planlamaya olanak sağlar.

Su Kaynakları Yönetimi ve Yeşil Altyapı

Yeşil çatılar, yağmur bahçeleri ve permeable açıklıklar fırtınalı su yönetimi için giderek daha fazla kullanılıyor. Uzaktan algılama yeşil çatı bitkisi sağlığını ve kapsamını izleyebilir, sulama hataları tespit eder ve yağışları korumak için yeşil altyapının genel performansını değerlendirebilir. Uydu bazlı toprak nezleri (örneğin, SMAP veya Sentinel-1) kentsel yeşil alanların yeterli derecede hidratlanmış veya kuraklığa eğilimli olup olmadığını gösterebilir.

Karbon Sequestration ve İklim Kısıt Planlama Planlaması

Kentsel ağaçlar ve bitki örtüsü önemli miktarda karbon depoları. LiDAR-derived biomass'ı birleştirerek, hiperspectral verilerinin tür sınıflandırması ile ilgili tahminler, şehirler gelecekteki iklim koşulları için senaryo planlamalarına yardımcı olabilir.Bu mucitler iklim eylemi planları için gereklidir ve belediye başkanları Küresel İklim ve Enerji Sözleşmesi gibi rapor etmek için önemlidir.

Uzaktan Sensing Data with GIS and Other Systems ile bütünleştirin

Raw uzaktan algılama imajı, diğer uzaysal veri katmanlarıyla GIS ortamında entegre edildiğinde en güçlüdür. Modern kentsel yönetim platformları, Directus'te inşa edilenler gibi, RS-derived ürünlerinin idari sınırları, parcel verileri, sayım istatistikleri, faydalı ağları ve gerçek zamanlı sensör beslemeleri ile sorunsuz bir şekilde bir kombinasyonunu sağlar.

Socioeconomic Data for Equity Analysis

En etkili kullanımlardan biri, nüfus demografiklerine göre yeşil alan dağıtımını analiz etmektir.Mahteci NDVI veya park yakın katmanları gelir, ırk ve yaş verileri ile ilişkilendirerek, şehirler "yeşil eşitsizlik" tanımlayabilir - marjinalleştirilmiş toplulukların yeşil alanlara erişemediği alanlar.Bu öznel analiz, genellikle sürdürülebilirlik planlarından dolayı kaynakları yetkilendirir.

Gerçek Zamanlı Dashboardlar ve Karar Desteği

IoT hava istasyonları ve toprak nem sensörleri ile entegrasyon, insansız veri kullanan tahminleri, günlük NDVI'dan Sentinel-2'yi vahşi kuzey arayüzlerinde gösteren hava riskine karşı bir araya getirebilir.

Yeşil Altyapı için Zenginlik Yönetimi

LiDAR-derived ağacı kanopy haritaları park malatları için temel haline gelir. Yöneticiler veritabanını sorgulayabilirler: "Saçta 10 metre yol kenarında kaç ağaç var?" veya "Son iki yılda hangi parklar% 5'den fazla kanopy kapak kaybetti?"

Vaka Çalışmaları: Şehirler Yola Lider

Singapur: Bir Bahçede Şehir

Singapur uzun zamandır kentsel yeşil alan izlemesinde öncü olmuştur. Ulusal Parklar Kurulu (NParks) vatandaşların iklim görüntülerini paylaşmalarına izin veren kamu uygulamaları ile entegre edilmiştir (WorldView-2, 0,5 m), hava LiDAR ve şehir-devlet bağlantılarını her ağaca en üst düzeye çıkarmak için drone anketleri.

Barcelona: Eşitlik ile Yeşilleşme

Barcelona, Landsat ve Sentinel-2 verilerini, yeşil alan erişilebilirliği ve ısı kırılganlığı haritalamak için bir araya getirdi. Şehirdeki "Yeşil Altyapı ve Biyoçeşitlilik Planı 2020", NDVI zaman serisini mahalleleri% 18 yeşil kapakla tanımlamak için kullandı - WHO tarafından önerilen en az önerilen "yeşil eksen" koridorları, ortalama yaz sıcaklıklarını 2.5°C'nin bitişik bölgelerindeki artış alanlarının yaratılması dahil olmak üzere hedef aldı.

New York City: Street Tree Census ve Lidar

New York City'nin Parks & Recreation bölümü gönüllüleri kullanarak bir sokak ağacı sayımı gerçekleştirdi, ancak şimdi hava LiDAR ve multispectral görüntüleyicisi ile bunu destekliyor. LiDAR verileri, bu tür modeller ile birlikte, ekosistem hizmetlerinin tahminine izin veriyor ve karbon depolama gibi.

Meydanlar ve Sınırlar

Potansiyeline rağmen, kentsel yeşil alan yönetimi için uzaktan algılamanın operasyonel kullanımı, uygulayıcıların gezinmesi gereken birkaç engelle karşı karşıyadır.

Spasal ve Temporal Çözüm Ticaret-offs

Yüksek çözünürlüklü uydular (sub-meter) pahalı ve genellikle sınırlı sahne kapsama alanı vardır, ücretsiz orta çözünürlüklü veriler (10-30 m) bireysel sokak ağaçları veya dar yeşil şeritler gibi küçük bitki yamalarını kaçırabilir. Doğru sensör seçmek maliyet, kapsama ve detay gerektirir.

Atmospheric and Viewing Angle Effects

Atmosphericwater buhar, aerosoller ve bulut kapağı, özellikle de humid veya kirletici şehirlerde görüntü kalitesi bozulabilir. Topografik gölgeler ve yoğun kentsel kanalda bitki örtüsünü karmaşıklaştırır. Gelişmiş atmosferik düzeltme algoritmaları (örneğin, 6SV, FLAASH) gereklidir, ancak her zaman son kullanıcılar tarafından uygulanmaz.

Data Volume and Processing Uzmanlığı

Modern RS misyonları yıllık olarak görüntüleyicileri üretir. Verimli işleme, depolama ve analiz bulut bilişim platformlarını gerektirir (örneğin, Google Earth Engine, Amazon Web Services) ve yetenekli analistler. Birçok şehir ajansı uzaktan algılama personeli eksikliğinden yoksundur, dış danışmanlara veya anahtarlama çözümlerine güvenmeye yol açar.

Geçerlilik ve Gerçeklik

Bahçecilik sağlığı için uzaktan algılama modelleri, türlerin tanımlanması veya biyokütmeler, arazileri tanımlamak için gerekli olan temel hata modelleri. Büyük bir şehirdeki yeterli zemin hak verileri toplama kaynağı yoğundur. Vatandaş bilim programları (örneğin, akıllı telefonlar uygulamaları tanımlamak için) maliyet-tavasyon yöntemi olarak ortaya çıkmaktadır.

Future Yol Tarifi

Alan hızla ilerliyor ve birkaç trend, RS'nin kentsel yeşil yönetimdeki rolünü daha da güçlendirecek.

Yapay Zeka ve Makine Öğrenmesinin Entegrasyonu

Yüksek çözünürlüklü görüntü ve LiDAR üzerinde eğitilmiş derin öğrenme modelleri artık bireysel ağaç tacıları, algılama türleri ve insan uzmanları ile sağlık değerlendirmeleri. Convolutional sinir ağları (CNNs) büyük veri setlerinde eğitilmiştir.TreeSatAI).

Birden çok Sensörlerin Fısıltı

Gelecek izleme giderek optik, termal, radar ve LiDAR verileri "multi-sensor" ürünleri oluşturmak için giderek daha fazla füzyon sağlayacaktır. Örneğin, Sentinel-1 radarı (yapıya duyarlı) Sentinel-2 optik (kahkahazırdalara duyarlı) yeşil çatıların sınıflandırılması ve çim ve karbaplar arasındaki ayrımı artırır.

Açık Veri ve Bulut Tabanlı Platformlar

Uydu verilerini demokratikleştirme - ESA'nın Copernicus ve USGS Landsat arşivleri gibi programlar aracılığıyla - bulut bilişimi ile bir araya getirilen (Google Earth Engine, Microsoft Planetary Computer), bütçeye bakılmaksızın, karmaşık analizler gerçekleştirmek için herhangi bir şehir sağlar.

Vatandaş Bilimi ve Katılımcı Sensing

Yerellerin ağaçlara fotoğraf etmelerine izin veren akıllı telefonlar, sağlık sorunları rapor eder veya kayıt filoloji olayları iyi niyetli yerel bilgi ile uydu verilerini geliştirebilir. iDoğalist veya TreeSnap gibi platformlar şehir personeli için zemin-gerçek veriler üretir. API'ler aracılığıyla bu çimlerin birbirine bağlanması güçlü bir işbirliği izleme sistemi yaratır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Uzaktan algılama, GIS ve modern veri yönetimi platformları ile eşleştirilmiş, karar verme, maliyet ve uzmanlıkla ilgili olarak, Singapur'daki her ağacı haritalamaktan sonra, bu teknolojiler, şehir planlayıcıları ile, zamanında ve uzaysal olarak açık bilgi sağlayarak, yeşil varlıklara ilişkin bu araçları nasıl etkili bir şekilde geliştirmemiz gerektiği konusunda şekillendirilir.